基于深度学习的高铁钢轨波磨检测的研究

发布时间：2021-04-14 05:01

　　随着高速铁路的快速发展,钢轨波磨检测问题也越来越被重视。面对多样的数据形态以及庞大的数据量,研究钢轨波磨特征的有效提取和快速检测方法具有重要意义。本文主要通过分析高速铁路实测轴箱振动加速度信号,尝试利用深度学习技术研究钢轨波磨的有效检测方法。针对数据存在的类别极度不平衡问题,通过改进的基于动态时间规整算法对实测数据进行增强,在此基础上利用深度学习方法对钢轨波磨进行检测,取得了良好的效果。主要工作创新如下:1.提出了一种基于同步提取短时傅里叶变换的钢轨波磨检测以及数据自动标签标注方法。通过分析高铁轴箱振动加速度信号的时频域特征,引入同步提取短时傅里叶变换提取信号的瞬时频率进行波磨检测和标签标注工作。实验结果表明同步提取短时傅里叶变换得到的时频平面能量更加集中,提取信号的瞬时频率较准确且抗噪性较好。2.提出了一种基于数据增强和支持向量机相结合的钢轨波磨检测方法。利用基于动态时间规整的数据增强方法对不平衡实测数据进行数据增强。同时改进了细菌觅食优化算法,来优化支持向量机的核参数和惩罚系数。实测数据验证了该算法在钢轨波磨识别方面具有良好效果。3.提出了一种基于深度学习的钢轨波磨检测方法。利用密... 

【文章来源】：北京建筑大学北京市

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

图２－１实测数据

第ａ章时频分析方法与ｂ舞时频率提取方法??第２章高铁轴箱振动加速度数据的时频特征分析??本章主要介绍实测高铁轴箱振动加速度数据，并对数据进行时频特征分析。??２．１高铁轴箱振动加速度实测数据介绍??本研宄的数据来自某高铁线路收集到的轴箱振动加速度实测数据，如图２－１、图２－??２所示。数据采样频率为２０００Ｈｚ，总里程为２５１ＫＭ。??里程?左轨数据右轨数据?速度??，?，?，?，???１?０．９１?０．４５；—?１２８．７??１?－０．０３?０．３６?１２８．７?１?５０．?｜｜??１?－１．４?０．８３?１２８．８?．?Ｉ??１?１．２７?０．４７?１２８．７?１００?＿?，?ｉ??ｊ?１－〇３?１２ａ７?｜??０．７９??１?－１．４?－０．５１?１２８．８?Ｋ?－１〇〇?■?Ｉ?Ｉ?－??１?－０．０３?－ｉ．０８?＝?１２８．８?Ｉ１??１?１．１５?１．０２?１２８．８?＿１５°?＇?丨??１．０００３?－２．５６?－２．０２?１２８．８??１．０００３?１．０３?２．０４?１２８．８?＇??１．０００３?１．７?ｊ?－２．７９?１２８．８?＿２５〇?，?，?．?，???１．０００３?－１．４３?１．８９?１２８．９?０?５０?１００?１５０?２００?２５０??１．０００３?￣－２．２３?０．１９１?１２８．８｜?Ｍｉｌｅ／ｋｍ??图２－１实测数据?图２－２实测数据时域信号??Ｆｉｇ．２－１?Ｍｅａｓｕｒｅｄ?Ｄａｔａ?Ｆｉｇ．２－２?Ｒａｗ?Ｄａｔａ??钢

第ａ章时频分析方法与ｂ舞时频率提取方法??第２章高铁轴箱振动加速度数据的时频特征分析??本章主要介绍实测高铁轴箱振动加速度数据，并对数据进行时频特征分析。??２．１高铁轴箱振动加速度实测数据介绍??本研宄的数据来自某高铁线路收集到的轴箱振动加速度实测数据，如图２－１、图２－??２所示。数据采样频率为２０００Ｈｚ，总里程为２５１ＫＭ。??里程?左轨数据右轨数据?速度??，?，?，?，???１?０．９１?０．４５；—?１２８．７??１?－０．０３?０．３６?１２８．７?１?５０．?｜｜??１?－１．４?０．８３?１２８．８?．?Ｉ??１?１．２７?０．４７?１２８．７?１００?＿?，?ｉ??ｊ?１－〇３?１２ａ７?｜??０．７９??１?－１．４?－０．５１?１２８．８?Ｋ?－１〇〇?■?Ｉ?Ｉ?－??１?－０．０３?－ｉ．０８?＝?１２８．８?Ｉ１??１?１．１５?１．０２?１２８．８?＿１５°?＇?丨??１．０００３?－２．５６?－２．０２?１２８．８??１．０００３?１．０３?２．０４?１２８．８?＇??１．０００３?１．７?ｊ?－２．７９?１２８．８?＿２５〇?，?，?．?，???１．０００３?－１．４３?１．８９?１２８．９?０?５０?１００?１５０?２００?２５０??１．０００３?￣－２．２３?０．１９１?１２８．８｜?Ｍｉｌｅ／ｋｍ??图２－１实测数据?图２－２实测数据时域信号??Ｆｉｇ．２－１?Ｍｅａｓｕｒｅｄ?Ｄａｔａ?Ｆｉｇ．２－２?Ｒａｗ?Ｄａｔａ??钢


本文编号：3136712